О чем пойдет речь

Технологии сейчас слишком стремительно развиваются и оказывают влияние на многие профессии. Я — системный аналитик, и искусственный интеллект всё плотнее проникает в мою профессиональную жизнь. Сначала это даже вызывало опасения. Что ждёт меня в будущем? Сможет ли ИИ заменить меня в профессиональном плане? Можно ли этого избежать и какие новые навыки будут нужны специалистам, чтобы оставаться востребованными? Попробую ответить на эти и другие вопросы.

Термин «artificial intelligence» в английском языке означает не столько «интеллект», сколько «умение логически мыслить». Это значит, что ИИ — это не аналог человеческого интеллекта, способного познавать мир и понимать суть вещей (согласно определению Линды Готтфредсон), а лишь система, которая способна делать выводы, решать задачи, понимать сложные концепции, быстро осваивать новое и учиться на основе полученного опыта.

Несмотря на впечатляющие возможности искусственного интеллекта в области логического мышления и решения задач, его функционал пока существенно отличается от способностей человеческого интеллекта. Полноценное познание мира и понимание его сути остаются за пределами возможностей ИИ. Однако развитие технологий происходит с невероятной скоростью, и в будущем все может измениться. А чтобы лучше понимать как и что менялось в этом направлении, давайте оглянемся в прошлое.

История развития искусственного интеллекта

Сегодня часто можно услышать: «IT и искусственный интеллект развиваются с невероятной скоростью!». Однако за каждым технологическим прорывом стоят десятилетия исследований и открытий предыдущих поколений. Ничто не появляется из ниоткуда — прогресс всегда строится на фундаменте, заложенном учёными, инженерами и мыслителями прошлого.

То же самое произошло и с искусственным интеллектом. Его история — это долгий путь проб и ошибок, догадок и экспериментов.
Давайте представим, что аналитики присутствовали на всех этапах развития технологий, и их потребности, задачи и мечты стимулировали создание новых машин и методов анализа данных. Рассмотрим историю развития искусственного интеллекта с этой точки зрения.

Ещё в античные времена люди, которых можно считать предшественниками современных аналитиков, мечтали об устройствах, способных облегчить обработку информации. Им приходилось вручную анализировать данные переписей, проводить расчёты для строительства и торговли. Они формулировали требования к гипотетическим машинам: «Хочу устройство, которое быстро и точно складывает числа!». Такие желания вдохновляли изобретателей на создание механизмов для выполнения арифметических операций.

В XVII веке Блез Паскаль изобрёл механический калькулятор — Pascaline. Если бы тогда существовали IT-аналитики, они бы выступили заказчиками этого устройства, чтобы ускорить и упростить подсчет данных для налоговых ведомств и банков. Паскаль получил бы от них техническое задание: «Создайте машину, которая считает быстрее человека и не допускает ошибок!».

В XIX веке Жозеф Мари Жаккар создал ткацкий станок на перфокартах. Идея пришла бы от аналитиков, которым надоело вручную анализировать и передавать шаблоны узоров. Они бы написали: «Нужна система, где данные о рисунке можно быстро менять и хранить, чтобы автоматизировать производство!».
В XX веке прогресс ускорился: в 1936 году Алан Тьюринг предложил универсальную вычислительную машину, по сути, ответив на извечный запрос аналитиков: «Сделайте машину, которая сможет выполнять любые алгоритмы анализа данных, которые мы придумаем!».

В 1950-х годах, когда ученые начали моделировать человеческое мышление, аналитики бы сформулировали новые требования: «Мы хотим не просто считать, а анализировать данные, выявлять закономерности, строить прогнозы!». И ответом на него стала бы первая нейросеть SNARC Марвина Мински, а сам Тьюринг разработал тест для оценки «разумности машин».

В 1960–1990-е аналитики столкнулись с лавиной информации и сложностью принятия решений и запросили: «Создайте систему, которая сможет формализовать наши знания, хранить правила и помогать принимать решения на основе анализа данных!». Хотя не только аналитикам хочется автоматизировать рутинные задачи, чтобы сосредоточиться на сложных кейсах.

А дальше объемы информации всё росли и возникали новые требования: «Нам нужны инструменты, которые быстро обрабатывают терабайты данных, находят аномалии и строят отчеты за минуты, а не недели!». Поэтому появились Hadoop, Spark, а вместе с ними — новые методы машинного обучения.

Сейчас ИИ становятся неотъемлемой частью многих профессий, в том числе всё плотнее входят в рабочие процессы системного аналитика.

Влияние ИИ на профессию системного аналитика: угроза или новые возможности?

Будущее профессии системного аналитика невозможно предсказать с абсолютной точностью, и вместо того, чтобы гадать, что нас ждет, разумнее анализировать текущие тренды и адаптироваться к ним.

Куда движется отрасль?

Глобальные инвестиции в искусственный интеллект — один из самых надежных индикаторов будущего спроса на специалистов. В 2025 году объем вложений в ИИ составит:

  • США — $90–120 млрд

  • Китай — $120 млрд

  • Евросоюз — $50 млрд

  • Россия — $2,2 млрд

Эти цифры говорят о том, что страны все активнее внедряют ИИ-решения, а значит, будет расти потребность в специалистах, способных эффективно интегрировать их в бизнес-процессы.

Почему системные аналитики останутся ключевыми игроками?

Банковский сектор — один из лидеров по автоматизации на основе ИИ. Направление Self-Driving Banking (полностью автономные банковские процессы) уже становится реальностью:

  • ИИ анализирует транзакции на мошенничество

  • автоматически генерирует документацию

  • оптимизирует процессы кредитного скоринга

А управлять этими системами и обеспечивать корректность их работы, интерпретировать результаты и адаптировать их под бизнес-требования будут системные аналитики.

Как изменится роль аналитика?

  1. Мы станем «переводчиками» между бизнесом и ИИ. Навык формулировки точных запросов (Prompt Engineering) станет таким же важным, как умение писать пользовательские истории. Вместо ручного сбора требований мы будем обучать ИИ понимать бизнес-контекст и проверять его выводы.

  2. Фокус сместится на управление автоматизированными процессами. Задачи вроде анализа данных или генерации прототипов документов возьмет на себя ИИ, но контроль качества, интерпретация результатов и принятие решений останутся за нами.

  3. Придется глубже разбираться в технологиях. Базового понимания SQL и UML будет недостаточно. Поэтому лучше заранее осваивать:

    • Принципы работы ML-моделей

    • Методы валидации данных для ИИ

    • Инструменты автоматизации (RPA - Robotic process automation, NLP - Natural language processing)

Что делать уже сейчас?

  • Экспериментировать с ИИ в повседневных задачах (анализ логов и sql скриптов, генерация ТЗ).

  • Изучать кейсы внедрения ИИ в банковской сфере — это поможет предсказывать запросы рынка.

  • Развивать смежные навыки (бизнес-анализ + основы Data Science).

Как заставить ИИ работать на системного аналитика: практические кейсы

Когда я впервые начал использовать ИИ в проектах для банка, мне казалось, что это волшебный черный ящик: задал вопрос — получил идеальный ответ. Но очень быстро оказалось, что результаты поверхностные или вовсе нерелевантные. Тогда я понял: чтобы ИИ стал полноценным «коллегой» — нужно научиться формулировать запросы так, как я объясняю задачи разработчикам и тестировщикам.

Главный урок, который я усвоил: ИИ не умеет читать мысли. Чем точнее запрос, тем ценнее результат.
Для получения желаемого ответа от ИИ необходимо научиться писать корректную структуру запроса — promt.

Как надо

Как не надо

Будьте конкретны  - чем точнее ваш запрос, тем лучше ИИ поймет, что вам нужно

Указывайте в запросе контекст

Разбивайте очень сложные запросы на части

Используйте ролевые модели

Слишком общие вопросы. («Расскажи про науку» → ИИ не поймет, что именно вам нужно.)

Многословие без сути. («Можешь, пожалуйста, если тебе не сложно, объяснить…» → Лучше сразу переходить к делу.)

Противоречивые условия. («Напиши короткий, но очень подробный текст» → Уточните приоритеты.)

Для более подробного изучения написания корректных prompt, можно почитать статью «Гайд по техникам Prompt Engineering».

Перейдем к практическим кейсам, как системные аналитики могут использовать ИИ в своей работе:

  1. Быстрое погружение в предметную область
    Представьте, что вы только что присоединились к проекту, и перед вами огромное количество документации, включая системные требования, бизнес требования и многое другое. Но самое важное — описание предметной области — отсутствует. Да, мы можем попробовать поискать в интернете, но, скорее всего, не найдем полноценный источник с необходимой информацией. Информация будет разбросана по разным источникам, и нам придется собирать ее по частям. Зато ИИ может помочь и всё систематизировать.

  2. Формирование требований
    Для ускорения процесса написания системных требований можно применить ИИ, который сформирует их на основе вашего шаблона и бизнес требований. Включите в запрос (promt) структуру вашего шаблона для описания системных требований, чтобы ИИ понимал ожидаемый формат и структуру. Также укажите ключевые бизнес-требования, которые должны быть учтены, и убедитесь, что они описаны подробно и понятно. Хотя ИИ не сможет создать идеальные системные требования, он предоставит черновик, который можно доработать для получения более точных и корректных спецификаций.

  3. Генерация диаграмм
    Моделирование PlantUml, когда нужно быстро визуализировать схему взаимодействия сервисов, я даю ИИ описание: «Клиент → API Gateway → Auth Service (проверка JWT) → Payment Service → Kafka → Notification Service. Сгенерируй код для PlantUML». Алгоритм возвращает готовую диаграмму, которую остается только вставить в документацию.

  1. Анализ сложных SQL-скриптов
    Чтение и разбор больших SQL-скриптов позволяет минимизировать рабочее время на изучение длинных запросов. Я как-то унаследовал гигантский скрипт для отчетности и попросил ИИ: «Разбей attached SQL на логические блоки. Выдели CTE, агрегации и JOIN. Замаскируй account_number, но сохрани структуру для анализа». Это помогло быстро найти избыточные подзапросы, хотя раньше на такое уходили дни.

Будущее профессии системного аналитика

Вместо того чтобы полностью заменить системных аналитиков, ИИ, скорее всего, станет мощным инструментом. Профессия будет эволюционировать, смещая акцент с рутинных задач на более стратегические и творческие аспекты работы. Системные аналитики будущего будут больше заниматься управлением проектами, принятием решений и взаимодействием с людьми, а ИИ использовать как помощника. Естественно, возрастет спрос на специалистов, которые будут уметь работать с ИИ-инструментами, интерпретировать их результаты и интегрировать в бизнес-процессы. А это, в свою очередь, потребует новых навыков, таких как понимание основ машинного обучения, работы с большими данными и использования современных ИИ-платформ.

Искусственный интеллект, безусловно, изменит профессию системного аналитика, но не заменит ее полностью. ИИ станет технологичным решением, которое помогает аналитикам выполнять свои задачи более эффективно и качественно. А будущее профессии будет связано с интеграцией ИИ в рабочие процессы, что потребует новых знаний и навыков. Системные аналитики, которые смогут адаптироваться к этим изменениям, останутся востребованными и продолжат играть ключевую роль в разработке IT-решений для бизнеса.

А как вы используете ИИ в своей работе? Делитесь в комментариях!

Комментарии (0)